摘要
在乳腺X线摄影图像中进行肿块检测作为肿块分割与分类的预处理阶段，具有至关重要的作用。由于肿块在形状、大小、边界和纹理等方面存在显著差异，且其信号与噪声比（SNR）相对于周围乳腺组织较低，因此从乳腺X线图像中检测肿块被视作一项极具挑战性的任务。本文提出了一种新颖的肿块检测方法，该方法结合了深度学习与随机森林分类器的级联架构。第一级分类器采用多尺度深度置信网络（multi-scale deep belief network），用于筛选出可疑区域，这些区域随后由两级级联的深度卷积神经网络（deep convolutional neural networks）进行进一步分析。通过深度学习分析后保留的区域，再交由两级级联的随机森林分类器进行处理，该分类器利用从级联过程中筛选出的区域提取的形态学特征与纹理特征。最终，经随机森林级联分类器筛选后保留的区域，通过连通域分析进行合并，从而生成当前最先进的检测结果。实验结果表明，所提出的深度学习与随机森林级联分类器架构在有效降低假阳性区域的同时，仍能保持较高的真阳性检测率。我们在两个公开可用的数据集——DDSM-BCRP和INbreast上对所提出的肿块检测系统进行了测试。实验结果显示，本方法在两个数据集上均取得了最佳性能：在INbreast数据集上，达到每幅图像1.2个假阳性时，真阳性率为0.96 ± 0.03；在DDSM-BCRP数据集上，每幅图像4.8个假阳性时，真阳性率为0.75。